4、跌倒检测技术概览：传统计算机视觉方法（背景建模、光流）与深度学习方法（CNN、LSTM、Transformer）的对比

跌倒检测是安防摄像头智能看护场景中的核心任务之一，其本质是一个“视频时序事件识别”问题：系统需要从连续的视频帧中判断是否发生了人体姿态的剧烈变化，并区分“跌倒”与“弯腰捡物”“坐下”“躺下休息”等易混淆动作。在技术演进路径上，业界先后发展出两条主要路线——以背景建模和光流为代表的传统计算机视觉方法，以及以CNN、LSTM、Transformer为代表的深度学习方法。两条路线在计算开销、实时性、泛化能力和部署难度上各有优劣，理解其差异是设计实际看护系统的前提。

上图从技术路线、核心特征和适用场景三个维度勾勒了两类方法的整体轮廓。传统方法依赖人工设计的特征和统计模型，深度方法则通过数据驱动自动学习表征。下面分别深入剖析各方法的原理、实现要点和工程取舍。

4.1 传统计算机视觉方法：原理与实现

4.1.1 背景建模：从静态场景中分离运动目标

背景建模的核心假设是：摄像头固定不动，场景中大部分像素在时间维度上保持稳定。通过建立背景模型，将当前帧与背景模型逐像素比较，差异超过阈值的像素即被标记为前景（运动目标）。常用的背景建模方法包括：

• 帧差法：直接计算相邻两帧的像素差，实现简单、计算量小，但对运动速度敏感——目标移动过慢时差分结果微弱，移动过快时会产生“空洞”现象。
• 高斯混合模型（GMM）：对每个像素建立多个高斯分布，适应光照渐变和微小抖动，是OpenCV中createBackgroundSubtractorMOG2的底层算法。GMM能处理动态背景（如树叶晃动），但参数调优较复杂。
• ViBe（Visual Background Extractor）：基于随机更新策略的快速背景建模方法，计算效率高，适合嵌入式设备，但对突然的光照变化（如开灯）较敏感。

在跌倒检测中，背景建模的输出是前景目标的二值掩码（mask），后续需要计算目标的外接矩形宽高比、质心坐标、面积变化率等几何特征。例如，正常站立时人体宽高比约为0.3~0.4，跌倒后变为0.8~1.2；同时质心高度会快速下降。这些特征组合后输入SVM或决策树分类器，即可实现跌倒判定。

4.1.2 光流法：捕捉像素级运动矢量

光流法通过计算相邻帧间像素的位移矢量，构建整个画面的运动场。在跌倒场景中，人体跌倒时会产生大范围、方向一致且速度较快的运动矢量，这与正常行走（局部、交替运动）有明显区别。常用算法包括：

• Lucas-Kanade（稀疏光流）：选取角点等特征点进行跟踪，计算量小，适合实时系统。但特征点容易在遮挡或快速运动时丢失。
• Farnebäck（稠密光流）：计算每个像素的运动矢量，信息丰富但计算开销大，在低分辨率（如320×240）下勉强实时。

光流法的优势在于不依赖背景模型，对摄像头轻微抖动有一定容忍度；但缺点是对光照变化敏感，且当人体与背景颜色相近时，运动矢量估计会失真。实际工程中，光流法常与背景建模结合使用——先用背景建模锁定目标区域，再在该区域内计算光流特征，以降低计算量并提高鲁棒性。

4.1.3 传统方法的工程局限

4.2 深度学习方法：从感知到认知的跨越

4.2.1 CNN：空间特征提取的基石

卷积神经网络（CNN）通过多层卷积核自动学习图像的层次化特征——浅层卷积提取边缘、纹理，深层卷积提取部件、姿态等语义信息。在跌倒检测中，CNN有两种典型用法：

1. 姿态估计：使用OpenPose、HRNet等模型检测人体关键点（头、肩、肘、膝、踝等），再根据关键点坐标计算躯干倾角、中心高度等几何特征。这种方法可解释性强，但需要额外的姿态模型，计算量较大。
2. 直接分类：将视频帧或帧差图直接输入CNN，输出“跌倒/正常”的二分类结果。常用轻量级网络包括MobileNetV2、EfficientNet-Lite等，适合边缘部署。

CNN的局限在于缺乏时序建模能力——单帧图像无法区分“正在跌倒”和“已经躺在地上”的区别。因此，实际系统中CNN通常作为特征提取器，与时序模型串联使用。

4.2.2 LSTM：捕捉动作的时间依赖

长短期记忆网络（LSTM）是一种循环神经网络（RNN）变体，通过门控机制（输入门、遗忘门、输出门）有效建模长序列中的时间依赖。在跌倒检测中，LSTM的输入通常是CNN提取的帧级特征序列，输出是每个时间步的动作类别概率。

一个典型的CNN+LSTM跌倒检测流程如下：

视频流 → 抽帧(5~10 fps) → CNN提取特征(如2048维向量)
→ 滑动窗口(如16帧) → LSTM(2层, 隐藏单元128) → 全连接层 → Softmax(跌倒/正常)

LSTM的优势在于能够学习“跌倒前→跌倒瞬间→跌倒后”的完整时序模式，对动作的过渡过程有天然建模能力。但LSTM存在训练时间长、梯度消失（尽管比RNN好）、难以并行化等问题，在长视频序列上推理速度较慢。

4.2.3 Transformer：全局注意力机制的革命

Transformer最初用于自然语言处理，其核心是自注意力机制（Self-Attention），能够直接建模序列中任意两个位置之间的依赖关系，不受距离限制。在跌倒检测中，Transformer有两种应用形态：

• Video Transformer：将视频切分为时空块（Tubelet），通过3D卷积或线性投影嵌入为序列，再送入标准Transformer编码器。代表模型如TimeSformer、ViViT。
• 时序Transformer：将CNN提取的帧特征序列作为输入Transformer编码器，利用自注意力捕捉跨帧的全局依赖。这种方式计算量相对可控，适合工程落地。

Transformer的优势在于并行计算效率高、长距离依赖建模能力强，且可以通过预训练（如CLIP、VideoMAE）获得更好的初始化。但其劣势也很明显：需要大量训练数据，在数据量不足时容易过拟合；推理时内存占用高，在边缘设备上部署需要量化、剪枝等优化。

4.3 方法对比与选型决策

4.4 实战案例：混合架构在独居老人看护中的落地

某养老科技公司为独居老人家庭部署跌倒检测系统，摄像头为海思Hi3516DV300方案的IPC，算力约1.2 TOPS（INT8），内存512MB。初始方案采用纯CNN+LSTM，但实测发现两个问题：一是LSTM在边缘设备上推理延迟达180ms，无法满足实时告警需求；二是夜间红外模式下CNN误检率高达15%。

经过分析，团队决定采用三级混合架构：

1. 第一级（传统方法快速预筛）：使用GMM背景建模提取前景目标，计算宽高比和质心下降速度。若宽高比>0.7且质心在0.5秒内下降超过30%，则触发第二级；否则直接丢弃该帧。此阶段过滤掉约80%的无关帧，计算耗时仅8ms。
2. 第二级（CNN姿态验证）：对触发帧运行轻量级姿态估计模型（MobileNetV2+关键点头），计算躯干倾角（肩-髋连线与垂直方向的夹角）。若倾角>60°且持续3帧以上，进入第三级。此阶段耗时约35ms。
3. 第三级（时序确认）：将连续5帧的关键点坐标序列输入一个小型Transformer（2层，4头，d_model=64），输出跌倒概率。若概率>0.85，触发告警。此阶段耗时约50ms。

实际部署后，系统在保持92%召回率的同时，将误报率从15%降至2.3%，端到端延迟控制在120ms以内。关键优化点包括：

• 将GMM的更新率从0.01调至0.005，减少夜间噪声导致的背景污染；
• 对CNN模型进行INT8量化，模型体积从12MB压缩至3.2MB，推理速度提升2.8倍；
• Transformer使用知识蒸馏（以大型VideoMAE为教师模型）训练，仅需2000条跌倒样本即可收敛。

4.5 常见误区与选型建议